待验证50% 置信事实精确时间

数据污染问题源于LLM预训练语料来自Common Crawl等大规模网络爬取，可能包含公开的基准测试题目及答案

1

来源数

50%

置信度

长期有效

时效性

2026/7/5

首次发现

来源

GeneBench-Pro：基因组学AI评测基准，科研能力新标尺

rss2026/6/30

相关事实

已验证训练数据污染是AI编程基准测试面临的首要挑战，测试用例来自公开GitHub仓库而这些正是大模型预训练语料来源75% 相似待验证主流基准测试如MMLU、HumanEval、SWE-bench通常仅覆盖数千至数万个标准化问题，存在场景覆盖有限和训练数据污染的潜在风险71% 相似待验证LLM在预训练阶段见过海量网络诈骗话术和营销文案，具备对高风险语义模式的识别能力，可与进程行为特征联合判断71% 相似待验证数据污染检测的常用手段包括逐字完成测试和成员推断攻击67% 相似待验证针对网络安全数据专门训练的专用模型有望在漏洞识别准确率和误报率上超越通用模型67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/112396

API

curl https://kongchang.com/api/v1/knowledge/claims/112396

MCP

get_claim(id=112396)